[发明专利]一种大型多变压器极限负载预测系统和装置

说明书

本发明通过人工智能领域的方法，尤其是长序列时空预测领域，实现了一种大型多变压器极限负载预测系统。系统分为编码器和解码器两部分，所述编码器是使用结合了历史相关性信息的邻接矩阵数据以及加入了位置编码与额外编码的时序数据，并通过采用了邻近空间结构感知增强后的注意力机制，得到的时空特征表征经过多层编码器后输出至解码器；所述解码器是由非自回归预测器构成，使用一步推理这种高效的预测方式对未来一段时间内的多电网负载进行预测。在大型多变压器极限负载预测的工业场景下的落地。使用计算机的深度学习算法对大型多变压器的历史负载进行分析，并对未来一段时间内的极限负载进行预测，加强了模型在多电网负载长期预测中的能力。

技术领域

本发明涉及时空序列预测领域，特别是长序列时空预测领域，尤其涉及一种大型多变压器极限负载预测系统和装置。

背景技术

电力系统的主要任务是为各类用户提供经济、可靠和高质量的电能，可随时满足用户的负载需求和负载特性的要求。为此，在整个电力系统规划设计、运行管理和电力市场交易中，必须对多电力变压器负载需求变化和负载特性有一个准确的预测。

电力变压器(尤其是油浸式电力变压器)作为电力系统中的核心设备，其运行负载直接影响着整条电网的输电能力，而不同区域的电网之间又存在影响与依赖关系。因此，多电力变压器负载预测作为电力系统调度、用电、计划、规划的重要工作，可以对发电提出预告，使得发电出力变化可以得到预先估计，经济合理的安排发电启动与停止，同时可以预测与防御事故，为电网的状态评估、安全预警等提供重要保障，而且在电力市场运营模式下，负载预测的精度也关系到电力部门的经济利益，它已成为现代化电力系统运行和管理中的一个重要领域。

当前，很多方法都是在有限的预测需求下设计的，例如预测两天或者更少的负载，亦或是单一变电站的预测而非多变电站的预测。其中更长的序列长度会使得模型的预测能力受到很大影响，而多变电站的预测考虑了复杂的空间相关性与依赖性，一方面预测误差越来越大，另一方面预测速度也会很慢；长期多变电站负载预测面临的主要挑战是提高预测能力，以满足日益增长的长序列需求，这就需要模型具有非凡的远程对齐能力，对长序列输入输出的高效操作能力以及能够有效捕捉空间的依赖性。

在最近的研究中，基于Transformer的模型在捕捉远程依赖关系方面表现出了优异的性能，其中自注意力机制可以讲网络信号的最大路径长度间小道理论最短的O(1),避免使用递归的结构，从而在该问题中表现出极大的潜力。在空间方面，则主要使用图卷积层作为图形结构表示和特征的提取，并使用控制信息流的门机制融入时序预测神经网络模型。但另一方面，自注意力机制的计算和内存开销是输入/输出长度L二次相关的，这导致资源的大量消耗，昂贵的训练和部署成本也使得模型难以解决实际的负载预测问题。

但用于时空序列预测的深度学习方法，无论是将时间信息融入基于图卷积神经网络的模型，还是将空间特征融入时序预测模型，都在解决长期时空负载预测问题时面临三点限制：

1)时间和空间维度的不同步传播影响预测准确度；

2)过高的计算开销；

3)预测长期负载时输出速度缓慢。

我们针对这三点问题做了深入探讨，在提出了新型注意力机制的同时，轻量化了解码器。提出了用于解决多电网负载长序列预测的方法，其试图解决其他深度学习方法在解决该问题时的上述弊病。

发明内容

为此，本发明首先提出一种大型多变压器极限负载预测系统，系统分为编码器和解码器两部分，编码器使用结合了历史相关性信息的邻接矩阵数据以及加入了位置编码与额外编码的时序数据，并对其进行特殊处理后，通过采用了邻近空间结构感知增强后的注意力机制，得到时空特征表征，然后经过多层编码器后输出至解码器；所述解码器是由非自回归预测器构成，使用一步推理这种简单高效的预测方式对未来一段时间内的多电网负载进行预测。